Pairwise 算法没有聚焦于精确的预测每个文档之间的相关度，这种算法主要关心两个文档之间的顺序，相比pointwise的算法更加接近于排序的概念。
在pairwise中，排序算法通常转化为对文档对的分类，分类的结果是哪个文章的相关度更好，学习的目标是减少错误分类的文档对，在完美的模型中，所有的文档对的顺序都被正确的分类。不同于pointwise算法的是，输入的特征是两个文章的特征，这两个文章不是独立的。
常见算法
1. Sortnet :基于神经网络的算法
通过训练数据学习到一个函数，使用神经网络的结构来学习。有对称性原则：
通过学习w和b 来优化损失函数。
损失函数如下：
2.RankNet 基于梯度下降的排序
在ranknet中，损失函数同样是由文章对定义的，通过定义得分函数 f来为x得分。目标概率Puv 通过得分的差值来定义：
通过交叉上损失函数来定义损失函数。
使用神经网络的模型来进行梯度下降，通常使用两层的神经网络。
3.FRank 通过fidelity loss 进行梯度下降
交叉熵损失函数中，f(x_u)-f(x_v) 总是比1大，损失没有最小值，会在学习过程中导致一些困难，为了解决这个问题，用了fidelity loss。
4.RankBoost
Rankboost 使用adaboost的对pairs进行分类。adaboost 使用对数损失函数，对若分类器的叠加得到强分类器。
具有较好的泛化能力。
5.ranking svm
使用hinge loss
6.GBRank
GBrank 使用GBDT 的方法来学习损失函数。
Pair wise 方法相比pointwise有优势，可以学习到一些顺序。但是pairwise也有缺点：
1.当有多个顺序的类别时，只知道good or bad，不知道好多少和差多少。
2.当文章较多时，会产生大量的pairs。
3.对噪声的label 非常敏感，一个错误的label，可能会导致分类结果中有较多的错误。
4.大多数没有考虑结果中文档对的顺序，文档对的顺序也没有在损失函数中体现。
